Smolagents en étreignant le visage: construire des agents AI en moins de 30 lignes

Bonne année! Mon exploration des agents de l'IA en 2025 m'a amené à étreindre le cadre des smolagents de Face. Plongeons-nous!

La bibliothèque Smolagents de Face's Face, lancé en 2025, simplifie les agents puissants avec un code minimal. Sa facilité d'utilisation, ses intégrations de hub et sa large compatibilité LLM le rendent idéal pour les flux de travail agentiques.

Table des matières

• Qu'est-ce que Smolagents?
• Compréhension des agents AI
• Exemple d'agent multi-étape
• Smolagents Key Fontières Key Fontières Key Key Fontières Capacités:
  • Agents de code
  • Interprète Python local
  • E2B Code Executor
• Smolagents in Action:
  • Demo 1: Research Agent
  • Demo 2: actions Retrieval

  Qu'est-ce que Smolagents?

  Smolagents est une bibliothèque concise et puissante pour les agents de construction et de course. Sa conception compacte (environ 1 000 lignes de code) hiérarchise la facilité d'utilisation sans sacrifier les fonctionnalités. Il excelle dans la prise en charge des «agents de code», qui génèrent et exécutent du code, et offre une sécurité améliorée via des environnements de sable comme E2B. Il prend également en charge les calculs de calculs traditionnels à l'aide de JSON ou des actions textuelles. Les smolagents s'intègrent à divers LLM (API d'inférence Face Hugging Face, Openai, anthropic, etc. via Litellm) et un référentiel d'outils partagé sur le Hub Hub. Ils l'atteignent en orchestrant les workflows et en utilisant des outils externes (recherches Web, exécution de code, etc.). LLMS alimente ces agents, intégrant l'utilisation des outils pour des informations en temps réel. Essentiellement, ils comblent les LLM et le monde extérieur, permettant une action et une prise de décision. L'agence existe sur un spectre, les LLM ayant différents degrés de contrôle sur les actions du système.

  Processeur simple process_llm_output (llm_response) ⭐☆☆ LLM Sortie détermine un switch if / else Router if LLM_DECT (): Router path_a () else: path_b () ⭐⭐☆ LLM Détermine l'exécution de la fonction appelant à outils run_function (llm_chosen_tool, llm_chosen_args) ⭐⭐⭐ LLM Contrôles de sortie itération et continuation du programme Agent multi-étapes tandis que LLM_SHOULD_Continue (): EXECTUTE_NEXT_STEP () Le workflow agentic démarre un autre multi-agent if llm_trigger (): execute_agent ()

  src = "https://img.php.cn/upload/article/000/000/000/174166315268283.jpg" alt = "Smolagents en étreignant la face: construire des agents AI dans moins de 30 lignes" />

  Agents Gire les tâches du complexe en utilisant plusieurs outils et en adaptant à différentes situations. Contrairement aux programmes traditionnels avec des workflows rigides, les agents gèrent plus efficacement la complexité et l'imprévisibilité.

  Smolagents Key Fonctionnalités

  Pour les tâches simples, le code personnalisé suffit. Cependant, pour les comportements complexes (appels à outils, agents en plusieurs étapes), Smolagents fournit une structure essentielle:

  • L'appel d'outil: La sortie de l'agent suit un format spécifique (par exemple, "pensée: utilisez 'get_weather'. Action: get_weather (Paris).") Traité par un analyseur. L'invite système guide le LLM sur ce format.
  • Agents en plusieurs étapes: Les invites LLM sont adaptées en fonction des itérations précédentes, nécessitant de la mémoire pour le contexte.

  Smolagents intègre ces composants sans couture: LLM, les outils, les invites système, la mémoire et la gestion des erreurs. Capacités

  Agents de code

  L'utilisation du code (au lieu de JSON) pour les actions d'outils est supérieure en raison de son efficacité, de sa composabilité, de ses capacités de gestion d'objets, de sa généralité et de sa compatibilité avec les données de formation LLM.

  

  Interproir local Python

  localpythoninterpreter avec des importations contrôlées, des limites de fonctionnement et des actions prédéfinies.

  E2B Executor

  Pour une sécurité améliorée, Smolagents s'intègre à E2B pour l'exécution du code sandin Codeagent (tools = [visiterwebpagetool ()], modèle = hfapImodel (), supplémentaire_authorized_imports = ["requêtes", "markdowify"], use_e2b_executor = true) agent.run ("ce qui était Abraham Lincoln pour animal de compagnie

  Demo 1: Agent de recherche

  ! PIP Installer Smolagents de Smolagents Import Codeagent, DuckDuckGosearchTool, HfapImodel Model = Litellmmodel (Model_, API_KEY = "Your_API_KEY") # Remplacez votre_api_key Agent = CodeAgent (Tool À propos de l'analyse vidhya ") 

  Copier après la connexion

  

  ! pip install smolagents import yFinance as yf modèle = litellmmodel (modèle_, api_key = "your_api_key") # remplacer votre_api_key agent = codeAgent (tool (NASDAQ: AAPL). Utilisez la bibliothèque YFinance. ") Print (Response)  Pre> <p> <img src="https://img.php.cn/upload/article/000/000/000/174166315715595.jpg%20" alt=" Smolagents par une face étreinte: construire des agents AI dans sous 30 lignées ">  P> </p><p> <strong> Conclusion </strong> </p> <p> smolagents simplifie le développement des agents AI.</p>

  Copier après la connexion

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!